呂成戍

[摘 要] 社會化電子商務中的用戶隱式信任關(guān)系作為現(xiàn)實社會關(guān)系的映射和擴展，為可信推薦方法的研究帶來了新的契機。對相關(guān)文獻進行梳理總結(jié)， 形成綜述；指出用戶隱式信任評價與應用研究中的不足， 提出未來的研究可以從隱式信任信息收集、利用隱式信任網(wǎng)絡的小世界特性、用戶之間的信任關(guān)系和相互影響的規(guī)律等方向開展。

[關(guān)鍵詞] 社會化電子商務；用戶隱式信任；社會化推薦

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2018. 15. 056

[中圖分類號] F713.36；TP393.09 [文獻標識碼] A [文章編號] 1673 - 0194（2018）15- 0142- 03

0 引 言

隨著社會化電子商務的高速發(fā)展，在線商品信息以前所未有的速度增長，面對錯綜復雜的社會網(wǎng)絡關(guān)系和海量的商品信息，用戶難以從中定位所需。社會化推薦服務可以完成個性化商品信息的主動推送，是社會化電子商務平臺的核心功能之一，也是企業(yè)豐富營銷手段和業(yè)務增長的重要途徑。

雖然社會化推薦服務獲得了很大的成功并頻繁地應用到各大網(wǎng)站中，但是在大規(guī)模、開放的社會網(wǎng)絡環(huán)境中，電子商務交易具有匿名性、隨機性和動態(tài)性的特點，用戶之間傳遞的信息真假難辨，社會化推薦面臨著推薦攻擊問題的挑戰(zhàn)。受推薦服務在電子商務領(lǐng)域重大經(jīng)濟利益的驅(qū)動，一些惡意用戶通過注入大量虛假信息的方式，操縱改變推薦結(jié)果，從而達到非法牟利的目的，這種攻擊行為被稱為“托攻擊（Shilling Attack）”或“推薦攻擊（Recommendation Attacks）”。推薦攻擊行為誤導用戶接受或購買并非真正所需的信息或商品，降低用戶的滿意度，造成用戶流失，使社會化電子商務平臺蒙受信譽與利潤的雙重損失。面對越發(fā)精巧和更具破壞性的推薦攻擊，如何為用戶提供可信推薦服務已經(jīng)成為社會化電子商務領(lǐng)域亟待解決的關(guān)鍵問題。

社會化電子商務中的用戶信任關(guān)系作為現(xiàn)實社會關(guān)系的映射和擴展，為可信推薦方法的研究帶來了新的契機。研究者將社會化電子商務中實體間的信任關(guān)系定義為一個信任網(wǎng)絡，由于該信任網(wǎng)絡是依據(jù)用戶的社會關(guān)系建立的，而受商業(yè)利益驅(qū)動的攻擊者無法與真實用戶形成血緣關(guān)系、朋友關(guān)系、同事關(guān)系等，從而無法進入用戶的信任網(wǎng)絡中。因此，對惡意推薦攻擊具有很好的抑制作用。每天都有數(shù)以萬計的新用戶加入社會化電子商務平臺，與其他用戶進行信息交流和交互，其中很多是互不相識的用戶。評估這些用戶之間的信任關(guān)系是提高社會化推薦服務質(zhì)量和加強其安全性的關(guān)鍵。

1 社會化電子商務環(huán)境下用戶隱式信任關(guān)研究評述

近年來，國內(nèi)外一些學者針對可信推薦問題對社會化電子商務中的用戶信任關(guān)系進行了大量的研究，并取得了一系列研究成果。ODonovan 等人[1]從用戶概貌級和項目級兩個方面對用戶之間的信任關(guān)系進行度量，并提出了一種改善系統(tǒng)推薦精度的信任計算模型。其中，概貌級信任度是對用戶推薦的整體可信賴程度的描述；項目級信任度是關(guān)于用戶對特定項目推薦的可信賴程度的描述。但是利用該信任計算模型得到的并不是用戶間的局部信任度。隨后，Lathia 等人[2]提出了一種改進的信任計算模型依據(jù)評分預測誤差計算目標用戶對推薦用戶的信任度。但是這種基于評分預測誤差的信任建模方法需要依據(jù)用戶之間的相似度為目標用戶進行評分預測。Pitsilis等人[3]從人的主觀邏輯思維角度分析用戶之間的信任關(guān)系，并且基于不確定概率理論提出了一種信任計算模型。不確定度是關(guān)于推薦用戶對目標用戶不具備做出準確預測能力的一種描述。該信任計算模型中，首先依據(jù)評分信息計算不確定度，然后采用線性或非線性方法計算目標用戶對推薦用戶的信任度。但是當系統(tǒng)中存在攻擊用戶時，利用該信任計算模型得到的用戶間信任度準確性欠佳。Kwon 等人[4]提出了一種多維可信性計算方法，充分考慮了信任的多樣性特征，根據(jù)用戶-項目評分數(shù)據(jù)度量每一個特征值，并將其作為計算用戶之間信任度的依據(jù)。該信任計算方法從消費心理學的角度對用戶之間的信任關(guān)系進行度量，不僅為推薦系統(tǒng)中可靠鄰居用戶的選取提供了理論依據(jù)，而且還提出了一個跨學科的研究框架。但是，由于該方法僅考慮了用戶評分的異構(gòu)性特征，當面對用戶概貌注入攻擊時，仍然存在脆弱性。Maida 等人[5]提出了一個多維信任模型，對推薦系統(tǒng)中的用戶間信任關(guān)系主要受哪些方面因素的影響進行了深入分析。該信任模型分別從基于知識的可信賴性和推斷可信賴性兩個方面進行了討論，但是該模型對這兩方面的描述僅限于理論層面，并沒有對其進行量化計算和實驗驗證。Yuan W等人[6]對信任網(wǎng)絡的網(wǎng)絡結(jié)構(gòu)進行了研究，通過實驗驗證了顯式信任網(wǎng)絡和隱式信任網(wǎng)絡的小世界特性。與國外相比，國內(nèi)的學者在基于用戶信任關(guān)系的社會化推薦方面也進行的了積極的研究。張富國等人[7]針對基于概貌級信任模型的缺點以及推薦算法的易受攻擊性，提出了基于主題級信任的協(xié)同過濾算法，提高了推薦的準確度。李湛[8]對社會信任網(wǎng)絡的協(xié)同過濾推薦方法進行了研究，從顯式信任和隱式信任兩方面提出了改進策略，但是缺乏對信任在網(wǎng)絡中傳遞特性的考量。田博等人[9]基于 D-S證據(jù)融合理論 ， 提出由多個成熟消費者的信任評價融合而成的推薦信任評價模型 ， 將提出的推薦信任評價模型應用于實際B2C在線購物推薦信任評價，但是其信任關(guān)系依靠顯性信任獲取，在信任匱乏時，推薦受限。

2 社會化電子商務環(huán)境下用戶隱式信任關(guān)研究的不足之處

2.1 在信任關(guān)系抽取方面

按信任來源不同，信任關(guān)系的抽取方法又分為顯式信任和隱式信任兩種。其中，顯式信任關(guān)系的建立對于用戶來說耗費時間和精力且容易暴露用戶個人隱私。因此，在實際應用中顯式信任并不可行。隱式信任的現(xiàn)存研究中僅僅聚焦于挖掘“用戶-項目”（User-Item）評分信息，利用用戶評分的相似性關(guān)系來挖掘其潛在信任關(guān)系，當面對推薦攻擊問題時，很難推理出真實的信任關(guān)系。社會化電子商務交易過程中蘊藏著豐富的用戶交互行為數(shù)據(jù)和信息（交易訂單、 交易評價、 交易次數(shù)、交易金額、評價時間、瀏覽歷史等），對其進行分析，發(fā)現(xiàn)社會化電子商務中用戶交互行為背后隱藏的用戶隱式信任關(guān)系是未來重要的研究方向。

2.2 在信任關(guān)系測度方面

首先，直接通過在線社會網(wǎng)絡是很難甚至無法進行信任評價的，必須借助信任網(wǎng)絡來進行。而信任網(wǎng)絡并不是直接現(xiàn)成的，必須通過構(gòu)造而產(chǎn)生。研究者已經(jīng)驗證在線信任網(wǎng)絡從網(wǎng)絡拓撲結(jié)構(gòu)上屬于復雜網(wǎng)絡的范疇，并且節(jié)點之間邊的分布介于完全隨機和完全規(guī)則之間，具有小世界網(wǎng)絡的性質(zhì)[6]，但是利用這些特性建立信任網(wǎng)絡的探索還很少。

其次，社會化電子商務交易中用戶通過交互行為、評分行為等關(guān)系形成了復雜的信任網(wǎng)絡，同時用戶之間的信任關(guān)系是影響用戶復雜信任網(wǎng)絡性質(zhì)的重要元素。因此，在度量用戶間信任關(guān)系時就必須要考慮復雜信任網(wǎng)絡中信任關(guān)系的傳播、聚合與動態(tài)演化對信任關(guān)系測度的影響。然而，現(xiàn)有信任模型大多數(shù)是基于信任度進行的單一維度數(shù)學建模，沒有將信任關(guān)系在信任網(wǎng)絡環(huán)境下的可靠性傳遞因素考慮進來，導致已有信任關(guān)系測度方法的準確性較差。

3 總結(jié)與展望

目前，社會化電子商務中用戶隱式信任評價與應用問題面臨著一系列挑戰(zhàn)性難題，其中包括：如何利用豐富的用戶交互行為數(shù)據(jù)抽取用戶的隱式信任關(guān)系，如何測度復雜信任網(wǎng)絡中用戶之間的間接隱性信任關(guān)系，如何利用用戶信任關(guān)系進行更可信的產(chǎn)品和服務推薦等等。未來相關(guān)研究可以從以下3 個方向開展。

（1）隱式信任信息如何收集。目前，社會化電子商務環(huán)境下信任關(guān)系的獲取途徑有兩種：一種信任關(guān)系是事先給定的，即信任度是通過預先設(shè)置好的值來進行度量的，然而，這類顯式信任信息在現(xiàn)實中相對匱乏，在實際應用中并不可行；另外一種是通過數(shù)據(jù)挖掘獲得隱式信任關(guān)系，而現(xiàn)有方法僅僅聚焦于“用戶-項目”（User-Item）間的二維關(guān)系模型，利用用戶評分相似性來挖掘其潛在信任關(guān)系，缺少對用戶交互行為信息所表現(xiàn)出的相關(guān)度與信任度的考量，所以在面對惡意攻擊問題時，很難提供可信的推薦服務。那么，如何提取相對客觀的信息來構(gòu)造用戶之間的隱式信任值？如何縮減運算規(guī)模，并保持隱式信任預測的覆蓋率和精度不受損？

（2）如何構(gòu)建信任網(wǎng)絡以及用戶隱式信任關(guān)系如何動態(tài)演化。直接通過在線社會網(wǎng)絡是很難甚至無法進行信任評價的，必須借助信任網(wǎng)絡來進行。因此，如何由大規(guī)模社會網(wǎng)絡導出小規(guī)模信任網(wǎng)絡對構(gòu)建完善的信任模型意義重大。目前，研究者已經(jīng)通過實驗的方法驗證信任網(wǎng)絡的小世界性，但是利用這些特性建立信任網(wǎng)絡的探索還很少。因此，基于小世界網(wǎng)絡理論來研究如何從大型社會網(wǎng)絡生成小規(guī)模的信任網(wǎng)絡就非常必要。

另外，目前基于信任網(wǎng)絡的信任模型未能很好地解決信任關(guān)系的傳播、聚合與動態(tài)演化兩個挑戰(zhàn)。朋友關(guān)系越遠，信任的程度越弱，那么，如何模擬信任信息隨路徑傳播的衰減？多條信任路徑相互交叉時，如何有效進行信任信息的聚合？信任的傳播和聚合構(gòu)成了信任的靜態(tài)模型，而在社會網(wǎng)絡中，信任關(guān)系隨時間是動態(tài)演化的，社會學與心理學研究表明，信任是一個緩慢累積而迅速坍塌的過程，如何模擬真實的社會生活中信任關(guān)系的變化規(guī)律？

（3）基于用戶之間的信任關(guān)系和相互影響的規(guī)律，如何提高社會化推薦機制的可信性。目前，基于信任的推薦機制作為用戶信任關(guān)系的重要應用場景之一，不能設(shè)計合理的用戶信任關(guān)系測度方法和可信用戶鄰居選取策略，不能抵御推薦攻擊對推薦可信性的影響，抗推薦攻擊能力較差。那么，哪些因素會影響用戶可信鄰居集合的選擇？不同的影響該如何體現(xiàn)？如何合理建模鄰居選取依據(jù)，更好地提高鄰居選取的質(zhì)量，從而提高推薦方法的抗攻擊能力。

主要參考文獻

[1]ODonovan J， Smyth B. Trust in Recommender Systems[C]// Proceedings of the 10th International Conference on Intelligent User Interfaces，2005.

[2]Lathia N， Hailes S， Capra L. Trust-based Collaborative Filtering[C]// Proceedings of Joint iTrust and PST Conferences on Privacy， Trust Management and Security，2008.

[3]Pitsilis G， Marshall L. A Model of Trust Ferivation from Evidence for Use in Recommendation Systems [R]. Newcastle， UK： University of Newcastle Upon Tyne，2004.

[4]Kwon K， Cho J， Park Y. Multidimensional Credibility Model for Neighbor Selection in Collaborative Recommendation[J]. Expert Systems with Applications，2009，36（3）：7114-7122.

[5]Maida M， Maier K， Obwegeser N， et al. A Multidimensional Model of Trust in Recommender Systems[C]//Proceedings of 13th International Conference on Electronic Commerce and Web Technologies，2012.

[6]Yuan W， Shu L， Chao H C， et al. ITARS：Trust-aware Recommender System Using Implicit Trust Networks[J].IET Communications，2010， 4（14）：1709-1721.

[7]張富國，徐升華.基于信任的電子商務推薦多樣性研究[J].情報學報，2010，29（2）：350-355.

[8]李湛. 基于社會信任網(wǎng)絡的協(xié)同過濾推薦方法研究[D].大連：大連理工大學，2013.

[9]田博，覃正.B2C電子商務中基于D-S證據(jù)融合理論的推薦信任評價模型[J]. 管理科學，2008，21（5）：98-104.